一種高噪聲低照度圖像的隱藏特征修復(fù)算法

鄧丹君，馬承澤

(1.湖北理工學(xué)院計(jì)算機(jī)學(xué)院，湖北 黃石 435002；2.長(zhǎng)春工業(yè)大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，吉林 長(zhǎng)春 130012)

1 引言

目前，隨著高光譜和紅外成像技術(shù)的不斷發(fā)展，電子成像已經(jīng)成為生活和工業(yè)領(lǐng)域中不可或缺的一部分。但是由于受外界因素的影響，會(huì)導(dǎo)致成像圖出現(xiàn)低照度的現(xiàn)象，干擾因素多有攝影環(huán)境較為暗淡、光照較低、曝光量不足等，這些因素的存在還會(huì)引起一定的圖片對(duì)比度降低、噪聲增大、整體灰調(diào)加強(qiáng)等問(wèn)題。若不進(jìn)行相應(yīng)的處理，那么這樣的圖像不僅模糊不清晰、觀感較差，并且還不利于后期電子視覺(jué)技術(shù)的處理。因此，此時(shí)就需要一種基于低照度圖像的修復(fù)方法，利用特定方法對(duì)圖像進(jìn)行處理，加強(qiáng)圖像的可視性、提高清晰度、便于觀察，還有利用后期的分類、分割以及其它技術(shù)手段的實(shí)施。近年來(lái)，對(duì)于圖像照度的增強(qiáng)及修復(fù)一直是成像技術(shù)領(lǐng)域的研究熱點(diǎn)。

文獻(xiàn)[1]提出基于NSST多尺度自適應(yīng)的Retinex低照度圖像增強(qiáng)算法。通過(guò)對(duì)照不同圖像的照度平滑分量和反射平滑分量來(lái)進(jìn)行具體降噪處理。但由于在實(shí)施平滑對(duì)比時(shí)，會(huì)使圖像通過(guò)重構(gòu)來(lái)保證照度平衡，但此過(guò)程易丟失圖像的原始細(xì)節(jié)，造成成像毀損，總體效果欠佳。文獻(xiàn)[2]提出基于邊緣特征和像素結(jié)構(gòu)相似度的圖像修復(fù)算法，通過(guò)獲取一定手段獲取到低照度圖像的灰度分布數(shù)值，借此對(duì)樣本圖像進(jìn)行條件約束，使得視覺(jué)效果得到一定的提升。該方法對(duì)于細(xì)節(jié)處的照度提升效果較好，但整體的水平對(duì)比度不高且容易丟失高幀信息。

為解決上述傳統(tǒng)方法出現(xiàn)的問(wèn)題，本文則采取一種基于交替優(yōu)化的隱藏特征修復(fù)算法，幫助低照度圖像提升可視性和清晰度。通過(guò)對(duì)隱藏特征的細(xì)節(jié)修復(fù)可幫助圖像減少色彩偏差及噪聲的問(wèn)題，在一定程度上就是提高了圖像的可視光照，在根源上解決低照度問(wèn)題。仿真結(jié)果證明，基于本方法下的圖像修復(fù)效果要遠(yuǎn)優(yōu)于文獻(xiàn)方法，并且基于平均梯度和信息熵的參數(shù)對(duì)比下，綜合性能都是極為優(yōu)異的。

2 低照度圖像亮度特征變換

通過(guò)低照度圖像隱藏特征細(xì)節(jié)提升方法，可幫助后續(xù)的特征修復(fù)。將低照度圖像設(shè)置為P，正常圖像平均亮度L與其反射圖像R的乘積可表示為以下關(guān)系

P=R°L

(1)

其中，°表示算子矩陣中的對(duì)應(yīng)相乘元素。

根據(jù)上述的一般照度反射模型，可以模擬從低照度到高照度過(guò)程中原始圖像特征的自適應(yīng)能力，對(duì)其進(jìn)行研究分解就可得到以下特征變換形式

(2)

其中，Rσ表示特征的尺度數(shù)值；σ表示高斯函數(shù)；為避免分母為0，ε的最小取值為最小正整數(shù)。基于此，就可將所有實(shí)際圖像的特征參數(shù)代入到此公式中，計(jì)算特征變換的細(xì)節(jié)數(shù)值。

3 暗適應(yīng)函數(shù)下特征尺度衡量

由于在多數(shù)的低照度圖像中，其HSV(Hue，Saturation Value色調(diào)飽和度值)色彩空間[3]均為第一視角出現(xiàn)面向視覺(jué)用戶的，因此考慮到實(shí)際環(huán)境因素，CMYK(青Cyan 紅Magenta 黃Yellow黑Black)色彩模型[4]是最適應(yīng)于實(shí)際情況同樣也是最符合肉眼的直觀感受的。其CMYK色彩模型主要采用一種光照飽和度[5]相減的原理，將所有反射光線都轉(zhuǎn)換為對(duì)應(yīng)的色彩，當(dāng)全部顏色進(jìn)行疊加時(shí)就表現(xiàn)為黑色，那么當(dāng)沒(méi)有任何顏色引入時(shí)就表現(xiàn)為白色。這樣在最大程度上保證了圖像色彩的均勻分布、提高直觀性。

根據(jù)上述模型建立相應(yīng)的特征分量數(shù)值[6]表示為V，并且該分量值還與色彩分量實(shí)現(xiàn)完全分離的狀態(tài)，這樣就可保證二者之間互不干擾，也就不會(huì)出現(xiàn)色彩失真的情況。以此為基礎(chǔ)，提取圖像的特征分量數(shù)值V表達(dá)公式為

V=max(R，G，B)

(3)

式中，V表示為特征的分量數(shù)值；R、G、B分別表示圖像中的三種通道。

在圖像飽和度較低的情況就容易形成低照度的現(xiàn)象，因此就需要建立兩種適應(yīng)函數(shù)[7]分別對(duì)應(yīng)實(shí)施具體特征修復(fù)算法。其中，在圖像呈暗適應(yīng)的環(huán)境下，就需要先增加外界光線的射入，從而達(dá)到提高整體圖像亮度的效果。因此在外界光線較暗或缺少大面積光照的情況下，就需要通過(guò)增加特征分量數(shù)值來(lái)提升全局圖像的飽和度。具體操作步驟如下：

1)以特征分量數(shù)值V為參照標(biāo)準(zhǔn)，通過(guò)中值濾波方法去除圖像中亮度較低的像素點(diǎn)，得到去除后的參數(shù)表示為Vfilt，表達(dá)式為

Vfilt=medfilt(V)

(4)

式中，medfilt(V)表示根據(jù)特征分量數(shù)值V進(jìn)行的中值濾波[8]。

2)將圖像內(nèi)部集中在低照度周圍的像素點(diǎn)[9]，按照既定參數(shù)進(jìn)行等比例的調(diào)整及拉伸至整個(gè)低照度區(qū)間，至此得到拉伸后的參數(shù)表示為Vstr，具體表達(dá)公式為

(5)

式中，max(Vfilt)表示進(jìn)行中值濾波操作后的最大參數(shù)值。圖1為特征分量數(shù)值V以及進(jìn)行拉伸后的特征分量數(shù)值Vstr的具體直觀直方圖，圖2則為特征分量數(shù)值V以及進(jìn)行中值濾波后的特征分量數(shù)值Vstr。

圖1 基于特征拉伸后的分量V的直觀圖

圖2 基于中值濾波后的分量V的直觀圖

根據(jù)圖1和圖2可以明顯看出，經(jīng)過(guò)不同程度的拉伸和中值濾波操作后，全局圖像的亮度都得到了一定程度的提升，這足以說(shuō)明基于中值濾波和分量拉伸都會(huì)使圖像提升飽和度，進(jìn)而提升細(xì)節(jié)特征的直觀性，為后續(xù)的圖像修復(fù)打下良好的基礎(chǔ)。

為提高在低照度環(huán)境下隱藏特征的修復(fù)效果，需要引入一個(gè)重要暗區(qū)增強(qiáng)步驟，該操作可以模擬設(shè)計(jì)一個(gè)符合暗適應(yīng)環(huán)境的非線性特征映射函數(shù)[10]表示為f(x)，并且x∈V。由于該線性映射函數(shù)對(duì)低照度區(qū)域的亮度增強(qiáng)較大，因此容易出現(xiàn)色彩失真[11]現(xiàn)象，這時(shí)就需要采用亮度增幅較小的非線性特征映射函數(shù)來(lái)進(jìn)行隱藏特征的修復(fù)。為了確保算法效果本文分別采用了3種函數(shù)來(lái)進(jìn)行，具體表達(dá)式為

y=1-(x-1)2，x∈[0，1]

(6)

y=xa/3+1/3，a∈[0，1]，x∈[0，1]

(7)

(8)

公式中，a表示自適應(yīng)的特征調(diào)整參數(shù)；x、y分別為函數(shù)的參數(shù)值，其基于3種函數(shù)下的暗適應(yīng)隱藏特征變化情況如圖3所示。

圖3 暗適應(yīng)的特征參數(shù)變化

從圖3中可以看出，式(8)的隱藏特征變化曲線對(duì)比式(9)和式(10)的變化曲線具有更好的特征細(xì)節(jié)增強(qiáng)效果，但由于式(8)的函數(shù)關(guān)系沒(méi)有進(jìn)行參數(shù)調(diào)整，導(dǎo)致其無(wú)法適應(yīng)低照度的圖像環(huán)境亮度。綜合對(duì)比下，基于式(9)的非線性隱藏特征的映射函數(shù)是最符合暗適應(yīng)過(guò)程的，沒(méi)有因過(guò)度增強(qiáng)而出現(xiàn)失真情況，整體性能保持效果較好，為進(jìn)一步提高該函數(shù)的特征細(xì)節(jié)增強(qiáng)效果，將其進(jìn)行一定局部調(diào)整表達(dá)公式如下

y=-ax2+(a+1)x，a∈[0，1]，x∈[0，1]

(9)

基于此非線性隱藏特征映射函數(shù)表達(dá)式，給出自適應(yīng)的特征調(diào)整參數(shù)a隨暗適應(yīng)函數(shù)的變化曲線，如下圖4所示。

圖4 暗適應(yīng)的特征參數(shù)變化

從圖4中可以看出，相比之下基于暗適應(yīng)的函數(shù)變化曲線有著明顯優(yōu)勢(shì)，其對(duì)圖像暗區(qū)的亮度增強(qiáng)速率不會(huì)過(guò)快且對(duì)于像素特征的拉伸區(qū)域不會(huì)過(guò)大，這樣就不會(huì)出現(xiàn)過(guò)度壓縮的狀況。當(dāng)參數(shù)a逐漸增長(zhǎng)時(shí)，暗區(qū)內(nèi)的照度增長(zhǎng)能力就會(huì)越來(lái)越強(qiáng)。

將經(jīng)過(guò)拉伸后的參數(shù)Vstr式(1)代入到映射函數(shù)式(5)中，就可得到基于二者關(guān)系下的暗適應(yīng)函數(shù)VD為

(10)

基于此公式，可直接決定根據(jù)自適應(yīng)參數(shù)a決定的函數(shù)VD的幅值增強(qiáng)強(qiáng)度。借此，可給出自適應(yīng)參數(shù)的計(jì)算公式為

a=1-mean(Vstr)

(11)

式中，mean(Vstr)表示特征分量的平均數(shù)值，其數(shù)值變化的大小可以對(duì)圖像的光照情況實(shí)現(xiàn)有效尺度衡量[12]。

4 特征信息的交替優(yōu)化融合

建立一個(gè)跟隨隱藏特征灰度值變化而增加的拋物線函數(shù)，基于此函數(shù)計(jì)算特征值的衰減程度進(jìn)而得出交替融合參數(shù)k的取值，表達(dá)公式為

VD=k×a+(1-k)

(12)

其中，k表示融合參數(shù)，圖5為基于隱藏特征的交替優(yōu)化交替融合函數(shù)。

圖5 交替融合增強(qiáng)函數(shù)

可以看出，與函數(shù)直線y=x對(duì)比，此融合曲線的增強(qiáng)效果較好，在像素值較低的區(qū)域內(nèi)也并沒(méi)有出現(xiàn)降低的情況，并且對(duì)高像素值有一定的抑制效果，更加符合肉眼觀看的視覺(jué)需求。

5 實(shí)驗(yàn)分析

5.1 實(shí)驗(yàn)環(huán)境

為驗(yàn)證基于本文方法對(duì)圖像隱藏特征修復(fù)的正確性和有效性，將采用Imagenet數(shù)據(jù)庫(kù)作為本次實(shí)驗(yàn)的圖像采集數(shù)據(jù)集，該數(shù)據(jù)庫(kù)內(nèi)包含大概2萬(wàn)多個(gè)圖像類別，并且這些圖像都有對(duì)應(yīng)的類別標(biāo)識(shí)，幫助查找和分類。文檔記錄詳細(xì)、應(yīng)用方便是目前各類技術(shù)應(yīng)用領(lǐng)域中的首選，對(duì)于多種圖像的定位、檢測(cè)以及研究分析都有著重要的作用。

為保證實(shí)驗(yàn)數(shù)據(jù)的真實(shí)性和可對(duì)比性，在全部的圖像樣本中選取了不同背景情況、不同的動(dòng)態(tài)特征以及不同光照條件下的真實(shí)圖像，實(shí)現(xiàn)有效對(duì)比，確保結(jié)果的準(zhǔn)確性和合理性。

5.2 低照度圖像修復(fù)效果對(duì)比分析

圖6為基于三種不同方法下的低照度圖像修復(fù)效果，通過(guò)對(duì)比分析得出具體的實(shí)驗(yàn)結(jié)果。

圖6 不同方法圖像修復(fù)對(duì)比結(jié)果

從圖6中可以看出，文獻(xiàn)[1]算法處理后的圖像整體色彩亮度較高，但部分區(qū)域出現(xiàn)了異常失幀現(xiàn)象，導(dǎo)致圖像中出現(xiàn)了大量噪聲像素點(diǎn)影響整體飽和度、使圖像變得模糊不清。文獻(xiàn)[2]算法處理后的圖像也出現(xiàn)了同樣的問(wèn)題，并且對(duì)圖像低照度的調(diào)整效果也整體較差，圖像的整體色彩飽和度與原始相比，照度提升效果并不明顯，整體處理水平欠佳。造成視覺(jué)效果不佳的主要原因就是，沒(méi)有充分考慮到原始圖像像素點(diǎn)的動(dòng)態(tài)變化特征，沒(méi)有選定正確的光照參數(shù)來(lái)對(duì)其進(jìn)行照度增強(qiáng)，從而導(dǎo)致圖像光照不均勻且噪聲明顯，致使整體色彩表現(xiàn)不清晰。

相比之下，本文算法修復(fù)后的圖像與原始圖像相比，整體色彩及照度都得到了明顯的提升，沒(méi)有出現(xiàn)任何的噪聲、光暈、色彩失真或偏移的現(xiàn)象，整體色調(diào)保持在一個(gè)穩(wěn)定的位置，在保證照度變動(dòng)范圍的同時(shí)還能在最大限度還原原始圖像的細(xì)節(jié)，增強(qiáng)視覺(jué)效果，達(dá)到這種低照度圖像修復(fù)的效果。這主要是因?yàn)楸疚姆治隽说驼斩葓D像的隱藏特征信息，對(duì)其進(jìn)行一定的尺度分解，這樣不僅可以提升圖像在飽和度、對(duì)比度以及細(xì)節(jié)信息等多個(gè)方面的照度增強(qiáng)效果，還可對(duì)不同的圖像根據(jù)對(duì)應(yīng)的結(jié)構(gòu)及細(xì)節(jié)信息劃分不同的尺度，在最大程度提高隱藏特征的修復(fù)效果，也就同樣提高了圖像修復(fù)的效果。

5.3 綜合性能對(duì)比分析

給出以下幾種評(píng)價(jià)指標(biāo)，對(duì)實(shí)驗(yàn)效果進(jìn)行具體分析：

1)平均亮度。

(13)

其中，i為常數(shù)且i=0，1，2…，La(i)表示R、G、B三種圖像通道的平均亮度，可根據(jù)正常情況下的最佳數(shù)值127.5進(jìn)行數(shù)值歸一化處理，此數(shù)值越高表示圖像的亮度越高，修復(fù)效果越好。

2)SSIM(Structural Similarity結(jié)構(gòu)相似性)。是衡量不同圖像相似度的重要指標(biāo)，設(shè)兩幅圖像為x和y，計(jì)算公式為

(14)

式中，μx表示圖像x的平均值；μy則為圖像y的平均值。相似性數(shù)值的取值范圍為-1～1，此數(shù)值越趨近于1，就表明圖像x與圖像y的特征相似度數(shù)值越為接近。

3)信息熵

(15)

信息熵?cái)?shù)值主要通過(guò)同色調(diào)圖像的分布函數(shù)計(jì)算可得。一般情況下，圖像的信息熵?cái)?shù)值都是在成像前就已經(jīng)固定，并且信息熵的產(chǎn)生是因?yàn)閳D像中出現(xiàn)了噪聲數(shù)據(jù)的影響，因此圖像中的噪聲越多，說(shuō)明其對(duì)應(yīng)色彩圖像的信息熵?cái)?shù)值就越高，圖像的清晰度也就越差，修復(fù)效果欠佳。

從表1中可以看出，基于文獻(xiàn)[1]方法的平均亮度數(shù)值是最高的，但是與原圖特征細(xì)節(jié)的相似度數(shù)值是最低的且信息熵?cái)?shù)值是最高的，這時(shí)說(shuō)明該方法雖然對(duì)圖像亮度的調(diào)整效果較好，但是由于過(guò)于注重圖像低照度問(wèn)題，反而忽略了圖像自身的異常數(shù)據(jù)問(wèn)題，導(dǎo)致圖像的原始特征丟失、噪聲數(shù)據(jù)增多致使圖像出現(xiàn)模糊不清晰的現(xiàn)象。

表1 不同算法指標(biāo)對(duì)比分析

本文方法則是綜合了所有已發(fā)生的現(xiàn)象，在進(jìn)行隱藏特征修復(fù)時(shí)，對(duì)所有可能出現(xiàn)的問(wèn)題都提前做好準(zhǔn)備確保不會(huì)出現(xiàn)色彩失真、噪聲及色彩偏移等現(xiàn)象。在不破壞圖像原始結(jié)構(gòu)的同時(shí)，還能確保所有數(shù)據(jù)都保持在恒定的位置，提高色彩分辨率以及飽和度，實(shí)現(xiàn)有效的隱藏特征修復(fù)方法。

6 結(jié)論

本文在保持原始圖像自身特征屬性數(shù)據(jù)不變的情況下，提出了一種基于交替優(yōu)化的低照度圖像隱藏特征修復(fù)算法，主要工作為利用暗適應(yīng)函數(shù)查找并修復(fù)隱藏特征，進(jìn)而提高圖像亮度。仿真結(jié)果證明，本文方法不僅對(duì)圖像隱藏特征具有較好的修復(fù)效果，而且還不會(huì)破壞原始圖像的數(shù)據(jù)特征，也不會(huì)出現(xiàn)色彩失真或偏移以及噪聲現(xiàn)象，整體修復(fù)效果優(yōu)異。